面向在线推荐的序列场景特定元学习器
信息检索
2019-06-04 v1 机器学习
机器学习
摘要
冷启动问题是实际推荐系统中长期存在的挑战。大多数现有推荐算法依赖大量观测数据，且在交互稀少的推荐场景下脆弱。本文利用少样本学习与元学习解决此类问题。我们的方法基于如下洞见：从少量样本中良好泛化依赖于通用的模型初始化以及将该模型适配到新出现任务的有效策略。为此，我们将场景特定学习与模型无关的序列元学习相结合，并将其统一为端到端集成框架，即场景特定序列元学习器（s^2 meta）。借此，我们的元学习器通过聚合来自多种预测任务的上下文信息产生通用初始模型，同时利用学会学习知识有效适配特定任务。在多个真实世界数据集上的大量实验表明，我们所提模型在在线推荐的冷启动问题上相较最先进方法取得显著增益。该模型已部署于手机淘宝首页的“猜你喜欢”会话。
引用
@article{arxiv.1906.00391,
title = {Sequential Scenario-Specific Meta Learner for Online Recommendation},
author = {Zhengxiao Du and Xiaowei Wang and Hongxia Yang and Jingren Zhou and Jie Tang},
journal= {arXiv preprint arXiv:1906.00391},
year = {2019}
}
备注
Accepted to KDD 2019